面向智能汽車空間的本體建模與映射研究

方恩光，李鎮(zhèn)邦，吳 卿

(杭州電子科技大學(xué)計算機學(xué)院，浙江杭州310018)

0 引言

美國國家標(biāo)準(zhǔn)技術(shù)研究院的Smart Space、微軟研究院的Easy Living和清華大學(xué)的Smart Classroom將智能空間研究的發(fā)展分為3個階段以此來加深對其的研究，浙江大學(xué)的Smart Vehicle Space利用將各種傳感器節(jié)點應(yīng)用與汽車內(nèi)使之成為智能空間等［1－4］。如何有效地表達智能汽車空間上下文信息;同時，針對不同的上下文推理方法，如何達到智能汽車空間與推理方法進行信息共享。針對這些問題，本文提出了以本體對智能汽車空間上下文建模，并通過層次化設(shè)計上下文的智能汽車空間上下文本體模型;然后在此模型上介紹了一種基于概念的本體映射方法，以解決本體模型與上下文推理方法之間的信息共享問題，幫助整個上下文感知系統(tǒng)靈活有效的運行。

1 要上下文信息組成部分

1.1 智能汽車空間的上下文組成

智能汽車空間主要是通過圖像采集器，GPS和總線數(shù)據(jù)采集器等多種傳感器配合車載控制中心與信息空間進行融合產(chǎn)生。從廣義上看，該環(huán)境的上下文信息總體分類如下:(1)車外環(huán)境包括智能汽車當(dāng)前所在外部天氣情況，道路表面情況，道路標(biāo)志符號，無線網(wǎng)絡(luò)情況等;該部分上下文信息主要是根據(jù)上下問的外延方面來決定，屬于外延方面的用戶環(huán)境信息;(2)車內(nèi)裝置包括汽車的基本信息，比如發(fā)動機，ABS等以及智能汽車內(nèi)相關(guān)的感應(yīng)器比如攝像頭感應(yīng)器等。這部分是智能汽車空間的主要物理空間部分，該部分上下文信息為所處于該智能汽車空間的用戶享受到合適的服務(wù)提供物理支持，也是從上下文的外延方面考慮;(3)用戶包括用戶的類別，例如是駕駛員或乘客。其中駕駛員的屬性包括駕駛員姓名，年齡，開車歷史，喝酒程度，駕駛環(huán)境，頭部運動狀況，眼睛運動狀況，駕駛員的身體狀態(tài)以及駕駛員的行為等，該部分上下文信息主要是跟用戶直接相關(guān)，與信息空間聯(lián)系，是信息空間的主要上下文信息組成部分。

1.2 層次化設(shè)計方案

該文采用了文獻5中的層次化的上下文本體設(shè)計方案，如圖1所示。層次化上下文設(shè)計的頂層主要是表達所有智能汽車空間領(lǐng)域的通用上下文，它提供不同域的基本公共概念集合。頂層通用本體描述最普通的概念及概念之間的關(guān)系，是被所有不同域的本體所共享，與具體的應(yīng)用無關(guān)，可以從空間，時間，事件，行為，人物來描述。下面各層特定域上的本體定義每個子域的詳細概念和它們的屬性。由于智能汽車空間中時間主要是針對用戶的活動而言，頂層通用本體可以由用戶，環(huán)境，計算設(shè)備，活動4個類定義，4者之間的關(guān)系如圖2所示。

圖1 層次化上下文模型設(shè)計

圖2 頂層通用本體類的關(guān)系

2 本體映射

2.1 本體映射框架

本文提出了一種以不確定性上下文推理機制驅(qū)動的本體映射框架，其主要結(jié)構(gòu)如圖3所示。該本體映射框架的具體過程:首先上下文推理機制模塊選擇不同的上下文推理方法，比如動態(tài)貝葉斯模型，隱形馬爾科夫模型等;其次根據(jù)層次化建模方法對推理方法進行本體構(gòu)造，同時將其中產(chǎn)生的不確定信息表達概念加入到源本體;最后通過本體映射方法將源本體與推理方法本體進行映射聯(lián)系，產(chǎn)生相應(yīng)的聯(lián)系信息。

圖3 上下文推理機制驅(qū)動的本體映射框架

2.2 基于概念的本體映射方法

本文采用文獻6編輯距離方法計算概念名稱之間的相似度。其中V1和V2的概念名稱Vname1和Vname2，兩者之間的相似度Simvname(V1，V2)定義為:

由式1可知，計算概念相似度，須考慮概念名稱相似度和屬性相似度。V1和V2的概念相似度Simv(V1，V2)定義為:

Simvattri(V1，V2)表示V1，V2的屬性相似度，α，β表示權(quán)重系數(shù)并且α+β=1，由于名稱與屬性的作用一樣，設(shè)定α，β都為0.5。屬性相似度定義為:

P(V)表示概念V的屬性個數(shù)。

3 實驗

本文利用java語言結(jié)合圖2的層次化本體模型，實現(xiàn)圖3的上下文推理機制驅(qū)動系統(tǒng)原型。為了驗證層次化上下文本體模型的有效性，本文采用了以下場景來檢驗?zāi)Ｐ汀?/p>

場景:對智能汽車空間中駕駛員進行3h測試，假定駕駛時間定為2:00PM到5:00PM，其中司機是一直駕駛，中途未曾休息，并有30個節(jié)點以間隔6min檢測司機狀態(tài)。根據(jù)圖3所示過程:原型系統(tǒng)首先選擇上下文推理方法，本文采用HMM，并利用文獻7提供的狀態(tài)轉(zhuǎn)移概率矩陣和觀測值概率矩陣;其次，利用Protégé3.0［8］建立以用戶狀態(tài)為中心的層次化智能汽車空間本體，稱為 SVSThing;接著，建立HMM本體模型，稱為HMMThing，同時擴展SVSThing，使其增加表達不確定信息的本體概念;緊接著，利用基于概念的本體映射方法，將HMMThing和擴展的SVSThing建立概念之間的聯(lián)系;最后，利用HMMThing和擴展的SVSThing之間的聯(lián)系利用HMM的Viterbi算法對30個擴展的SVSThing實例對司機狀態(tài)進行識別。

本文利用以上方法模擬出的數(shù)據(jù)結(jié)果與沒有采用本體建模直接利用HMM的Viterbi算法進行識別的結(jié)果進行了比較。其結(jié)果如圖4所示。

圖4 司機狀態(tài)識別對比圖

圖4中其中縱坐標(biāo)1表示警覺，2表示疲勞，3表示迷糊;橫坐標(biāo)表示每隔6min檢測司機狀態(tài)的節(jié)點序號。結(jié)果表明，利用了本體建模與映射以后能比較有效地對司機狀態(tài)進行識別，表明智能汽車空間本體和不確定性推理本體之間映射，達到了信息共享。

4 結(jié)束語

本文面向汽車智能汽車空間，根據(jù)層次化設(shè)計方案，建立了一個上下文本體模型，并在此基礎(chǔ)上，結(jié)合基于機器學(xué)習(xí)的上下文推理方法，提出了一種以不確定性上下文推理機制驅(qū)動的本體映射框架。同時，建立了一個識別司機狀態(tài)的原型系統(tǒng)。通過實驗驗證，表明本文中智能汽車空間本體和映射方法能有效地表達和推理不確定信息。但是，本文中只采用基于概念的映射方法，沒有完全考慮本體具體信息，使得推理方法具有一定的局限性，下一步的工作重點是研究一種更加有效的推理方法來處理智能汽車空間本體內(nèi)的不確定信息。

［1］NIST.Smart space project［EB/OL］.http://www.nist.gov/smart space，2010 －09 －27.

［2］MicrosoftResearch.Easylivingproject［EB/OL］.http://research.microsoft.com/easyliving ，2010 －05 －11.

［3］Tsinghua University.Smart classroom project［EB/OL］.http://media.cs.tshinghua.edu.cn/pervasive/projects/classroom/index.html，2010 －04 －15.

［4］吳卿.面向普適計算的自適應(yīng)中間模型與方法研究［D］.杭州，浙江大學(xué)，2006.

［5］Yang xiquan，cao xueya，guo dina，etal.Research of ontology uncertainty reasoning based on Bayesian network［J］.ComputerApp lications，2008，28(5):17 －20.

［6］李景，孟連生.構(gòu)建知識本體方法體系的比較研究［J］.現(xiàn)代圖書情報技術(shù)，2004，(7):17－22.

［7］Ji Q，Zhu Z，Lan P.Real－time nonintrusive monitoring and prediction of driver fatigue［J］.IEEE Transactions on Vehicular Technology ，2004，53(4):1 052 －1 068.

［8］National Library of Medicine.Protégén［EB/OL］.http://protege.stanford.edu/，2010 －03 －01.